从模型到服务：基于快马平台构建可部署的aigc领域问答系统
最近在尝试用AIGC技术做一个垂直领域的智能问答系统，发现从模型到实际可用的服务，中间有不少值得分享的实战经验。就拿咖啡知识问答这个场景来说，虽然现在大模型能力很强，但直接拿来用往往会回答得过于宽泛。下面记录下我的实现思路和踩坑总结。
明确场景需求咖啡爱好者经常有各种专业问题，比如冲泡参数、豆子产地特点等。普通客服回答这类问题效率低，而通用AI又容易给出不准确的建议。需要让AI聚焦在咖啡领域，像专业咖啡师一样回答问题。
技术架构设计前端用React搭建聊天界面，主要包含三个部分：消息展示区、输入框和清空历史按钮。后端用FastAPI做中间层，主要处理三件事：接收用户问题、调用AI模型接口、管理对话历史。这里特别要注意对话历史的维护，因为连续问答需要上下文连贯性。
核心提示词工程这是保证专业性的关键。通过快马平台的AI模型设置，在系统提示词里明确做了这些约束：
- 角色设定为"资深咖啡师，拥有SCA认证，熟悉从烘焙到冲泡的全流程"
- 知识范围限定在咖啡领域，遇到非相关问题要礼貌拒绝回答
- 回答风格要求：专业但易懂，必要时提供具体参数（如水温92℃±2℃）
- 禁用不确定的猜测，不知道就说需要查证
对话管理技巧发现直接把所有历史对话传给模型效果并不好，后来优化为：
- 最近3轮对话完整保留
- 更早的对话只保留关键信息摘要
- 自动过滤掉用户的无效输入（比如"你好"这类问候语） 这样既保持上下文，又避免token浪费。
前端交互优化除了基本问答功能，还增加了几个实用设计：
- 问题分类标签（烘焙/萃取/器具等）
- 快捷问题建议按钮（新手常问的问题）
- 答案中的专业术语自动添加解释气泡
- 清空对话时保留系统预设提示词
- 部署上线经验在InsCode(快马)平台上部署时特别方便：
- 前端打包成静态文件直接上传
- 后端Python环境自动配置好
- 域名和HTTPS都是平台自动处理
- 随时可以回滚到之前版本 从代码写完到线上服务跑通，整个过程不到10分钟，对个人开发者特别友好。
- 实际效果验证找咖啡店朋友测试后发现：
- 专业问题回答准确率明显高于通用AI
- 连续追问时能保持参数一致性（比如上次说用20g粉，下次不会变成18g）
- 对"哪种咖啡最贵"这类模糊问题，会主动追问具体场景 但也发现需要持续优化的地方，比如特殊处理用户方言表述。
这种垂直领域AIGC应用的关键，在于用好提示词约束和对话管理。相比从头搭建整套服务，用快马平台确实省去了很多运维麻烦，能更专注在业务逻辑实现上。他们的AI模型直接集成在开发环境里，调试提示词特别方便，改完马上能看到效果，对快速迭代很有帮助。